Глубина и OOB ошибка randomForest и randomForestSRC

Question

Вот мой код для случайного леса и rfsr c в R; Есть ли способ включить n_estimators и max_depth как версию sklearn в мой код R? Кроме того, Как я могу изобразить ошибку OBB против числа деревьев, как это показано?

set.seed(2234)
tic("Time to train RFSRC fast")
fast.o <- rfsrc.fast(Label ~ ., data = train[(1:50000),],forest=TRUE)
toc()
print(fast.o)

#print(vimp(fast.o)$importance)

set.seed(2367)
tic("Time to test RFSRC fast ")
#data(breast, package = "randomForestSRC")
fast.pred <- predict(fast.o, test[(1:50000),])
toc()
print(fast.pred)


set.seed(3)
tic("RF model fitting without Parallelization")
rf <-randomForest(Label~.,data=train[(1:50000),])
toc()
print(rf)
plot(rf)
varImp(rf,sort = T)
varImpPlot(rf, sort=T, n.var= 10, main= "Variable Importance", pch=16)

rf_pred <- predict(rf, newdata=test[(1:50000),])
confMatrix <- confusionMatrix(rf_pred,test[(1:50000),]$Label)
confMatrix

Я ценю ваше время.

Answer 1

Вам нужно установить block.size=1, а также принять к сведению, что выборка без замены, вы можете проверить виньетка для rfsr c:

В отличие от случайных лесов Бреймана, действие по умолчанию здесь это выборка без замены. Таким образом, «вне пакета» (OOB) технически означает «вне образца», но по унаследованным причинам мы сохраняем термин «OOB».

Итак, используя примерный набор данных,

library(mlbench)
library(randomForestSRC)
data(Sonar)
set.seed(911)
trn = sample(nrow(Sonar),150)
rf <- rfsrc(Class ~ ., data = Sonar[trn,],ntree=500,block.size=1,importance=TRUE)
pred <- predict(rf,Sonar[-trn,],block.size=1)
plot(rf<span class="math-container">$err.rate[,1],type="l",col="steelblue",xlab="ntrees",ylab="err.rate",
ylim=c(0,0.5))
lines(pred$</span>err.rate[,1],col="orange")
legend("topright",fill=c("steelblue","orange"),c("test","OOB.train"))

В randomForest:

library(randomForest)
rf <- randomForest(Class ~ ., data = Sonar[trn,],ntree=500)
pred <- predict(rf,Sonar[-trn,],predict.all=TRUE)

Не совсем уверен, что легче получить ошибку ntrees:

err_by_tree = sapply(1:ncol(pred<span class="math-container">$individual),function(i){
apply(pred$</span>individual[,1:i,drop=FALSE],1,
function(i)with(rle(i),values[which.max(lengths)]))
})

err_by_tree = colMeans(err_by_tree!=Sonar$Class[-trn])

Тогда участок:

plot(rf$err.rate[,1],type="l",col="steelblue",xlab="ntrees",ylab="err.rate",
    ylim=c(0,0.5))
    lines(err_by_tree,col="orange")
    legend("topright",fill=c("steelblue","orange"),c("test","OOB.train"))